Red Posterior: Estimación de la Incertidumbre sin Muestras OOD a través de Pseudo-Cuentas Basadas en Densidad

La estimación precisa de la incertidumbre aleatoria y epistémica es crucial para construir sistemas seguros y confiables. Los enfoques tradicionales, como el dropout y los métodos de ensemble, estiman la incertidumbre al muestrear predicciones de probabilidad de diferentes submodelos, lo que conduce a una estimación de incertidumbre lenta en el momento de la inferencia. Trabajos recientes abordan este inconveniente al predecir directamente parámetros de distribuciones anteriores sobre las predicciones de probabilidades con una red neuronal. Si bien este enfoque ha demostrado una estimación precisa de la incertidumbre, requiere definir parámetros de destino arbitrarios para datos en distribución y hace la suposición poco realista de que los datos fuera de distribución (OOD) son conocidos en el momento del entrenamiento. En este trabajo proponemos la Red Posterior (PostNet), que utiliza Flujos Normalizantes para predecir una distribución posterior individual en forma cerrada sobre las probabilidades predichas para cualquier muestra de entrada. Las distribuciones posteriores aprendidas por PostNet reflejan con precisión la incertidumbre para datos dentro y fuera de distribución, sin requerir acceso a datos OOD en el momento del entrenamiento. PostNet logra resultados de vanguardia en la detección de OOD y en la calibración de la incertidumbre bajo cambios en el conjunto de datos.